سيستم كمك تشخيصي كامپيوتري جهت آشكارسازي بيماري انسدادي ريه در تصاوير سي‌تي‌اسكن

Computer- Aided diagnosis system for the evaluation of chronic obstructive pulmonary disease on CT Images

زمينه و هدف: بيماری مزمن انسدادی ريه يكی از شايع‌ترين بيماری‌های ريوی است. وجود يك سيستم مكانيزه كه بتواند ميزان صدمه وارد شده به بيمار را تخمين بزند در معالجه بيمار بسيار كمك‌ كننده خواهد بود. در اين مقاله يك سيستم نوين كمك تشخيصی كامپيوتری (CAD) برای تشخيص بيماری و وخامت آن با استفاده از تصاوير سی‌تی‌اسكن پيشنهاد شده است. روش بررسی: در دو حالت دم كامل و بازدم كامل از بيست و چهار نمونه تصوير‌برداری شد و با الگوريتم بخش‌بندی كانتورهای فعال نسج ريه از بقيه تصوير جدا گرديد. در ادامه الگوی نرمال شده تغييرات نسج خارجی ريه به عنوان معياری در شناسايی بيماری در نظر گرفته شد. با استفاده از طبقه‌بندی‌كننده بيز الگوها به دو كلاس سالم و بيمار دسته‌بندی گرديد. در نهايت آزمون آماری t برای بررسی صحت كلاس‌بندی‌ها اعمال گرديد. يافته‌ها: با روش پيشنهادی نسبت ارتجاع‌پذيری ريه و گير افتادگی هوا به صورت كمّی به‌دست می‌آيد. نزديك بودن اين مقدار به عدد صفر بيانگر افزايش هوای مرده در ريه و ابتلای بيمار به انسداد و تنگی نفس می‌باشد. با بررسی تصاوير ريه در بيماران و افراد سالم مقدار آستانه برای تشخيص بيماری به‌دست آمد. نتايج اعمال روش پيشنهادی بر روی تصاوير كلينيكی نشان می‌دهد كه تا حد زيادی می‌توان به كارايی آن اميد داشت. نتيجه‌گيری: با توجه به دشواری و زمان‌بر بودن روش‌های مرسوم تشخيص بيماری انسدادی مزمن ريه، روشی نوين برای طراحی سيستم كمك تشخيصی كامپيوتری جهت كمك به پزشك در تشخيص بيماری انسدادی مزمن ريه پيشنهاد شده است.

Background: Chronic Obstructive Pulmonary Disease (COPD) is one of the most prevalent pulmonary diseases. Use of an automatic system for the detection and diagnosis of the disease will be beneficial to the patientsʹ treatment decision-making process. In this paper, we propose a new approach for the Computer Aided Diagnosis (CAD) of the disease and determination of its severity axial CT scan images.Methods: In this study, 24 lung CT scans in full inspiratory and expiratory states were performed. Variations in the normalized pattern of the lungsʹ external parenchyma were exploited as a feature for COPD diagnosis.Subsequently, a Bayesian classifier was used to classify variations into two normal and abnormal patterns for the discrimination of patients and healthy individuals. Finally, the accuracy of the classification was assessed statistically. Results: With the proposed method, the lungs parenchymal elasticity and air-trapping were determined quantitatively. The more this feature tended to zero, the more severe air-trapping and obstructive pulmonary disease is. By analyzing CT images in the healthy and patient groups, we calculated the hard threshold for the diagnosis of the disease. Clinical results tested by the mentioned method, suggested the effectiveness of this approach.Conclusion: In regard to the challenges of COPD diagnosis, we propose a new computer-aided design which may be helpful to physicians for a more accurate diagnosis of the disease. Moreover, this severity scoring algorithm may be useful for targeted disease management and risk-adjustment.